网站的引导页怎么做的,idc机房租赁价格,网站没有icp备案,站库设计网站官网自动驾驶定位算法#xff1a;基于多传感器融合的状态估计(muti-Sensors Fusion) 附赠自动驾驶学习资料和量产经验#xff1a;链接
1、传感器(Sensor)选取
自动驾驶系统中用于状态估计(State Estimation)的常用传感器包括GPS/GNSS、IMU、激光雷达(Lidar)。 状态估计(State E…自动驾驶定位算法基于多传感器融合的状态估计(muti-Sensors Fusion) 附赠自动驾驶学习资料和量产经验链接
1、传感器(Sensor)选取
自动驾驶系统中用于状态估计(State Estimation)的常用传感器包括GPS/GNSS、IMU、激光雷达(Lidar)。 状态估计(State Estimation)选用传感器需要考虑哪些因素
1误差不相关性。也就是说用于Sensor Fusion的传感器其中单个传感器(Sensor Measurement)测量失败不会导致其它传感器(Sensor)由于相同的原因而同时失败。
2传感器的相互补充性。 比如IMU可以填充GPS两次定位间隔期间的定位输出用于平滑GPS/GNSS的定位结果GPS为IMU提供初值消除IMU单独使用出现的偏移(Drift)的问题Lidar可以弥补定位精度的问题而GNSS可以为Lidar定位地图匹配提供地图范围数据。 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
2、传感器的标定(Sensor Calibration)
如果想要各个传感器能够相互协同无间配合传感器的标定是必不可少的。传感器的标定通常分为三种: 内参标定(Intrinsic Calibration)、外参标定(Extrinsic Calibration)和时间校准(Temporal Calibration)。 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
2.1 内参标定(Intrinsic Calibration)
传感器或者车辆的内参在传感器制造的时候就已经固定下来传感器模型中的固定参数都是内参都需要通过Intrinsic Calibration事先确定。 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
比如估计车辆运动距离的轮速计模型 中r就一个内参。另外激光雷达(Lidar)中扫描线的角度在激光雷达计算模型中需要事先知道这个参数以实现激光雷达扫描线(Scan Line)的拼接。
如何获取传感器的内参呢实践中有几种方法:
1从传感器制造商的使用说明书中获取。这种方法往往只能获取大概的参数每个设备的内参都是不同所以并不能获取比较精确的参数。
2手工测量内参。比如车轮的半径可以通过手工测量的方法获取。但是类似于激光雷达的内参无法通过手工测量获取。
3Estimate as part of State。这种方式不仅可以获取精确的传感器内参而且可以解决内参随时间变化的情况。比如汽车的轮胎半径漏气导致半径变小等。
2.2 外参标定(Extrinsic Calibration)
传感器的外参主要表达各个传感器之间的位置相对姿态它是把各个传感器的数据坐标统一起来的必不可少的参数。 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
如何获取传感器的外参呢实践中有几种方法:
1、CAD图纸。如果你能获取传感器安装的CAD图纸那你就可以获得比较准确的传感器外参。
2、手动测量。当然手动测量的难度也非常高因为传感器的中心往往在传感器内部难以精确测量。
3、Estimate as part of State。这也是一个研究的方向。可以比较好的应对外参标定问题但难度也比较高。
2.3 时间校准(Temporal Calibration) Coursera Lecture-State Estimation and Localization for Self-Driving Cars
时间校准对于各个传感器的数据融合至关重要。比如IMU的输出频率是200HZLidar的输出频率是20HZ只有按照最相近的时间进行对齐才能将IMU和Lidar数据准确融合起来。
在实际应用中各个传感器的相对时间误差是未知的这些误差可能是由于各个传感器的预处理耗时不同导致的也可能是由于各个传感器的计时器精度不同造成的。
如何校准传感器的时间呢实践中有几种方法:
1假设这些传感器的时间相对误差为0。当然忽略这些误差会导致最终的融合结果比预期要差。
2硬件同步。在硬件设计上保证各个传感器的时间戳对齐。
3、EKF-多传感器融合(Multi-Sensors Fusion) 自动驾驶汽车一般包含多个Camera、3D 激光雷达(Lidar)、惯性测量单元(IMU)、多个Radar、GPS/GNSS Reciver、轮速计(Wheel Odmetry)这些传感器在运行过程中时刻都在以不同的频率发送不同类型的数据多传感器融合模块需要将这些信息融合起来不断更新自动驾驶车辆的状态(Vehicle State)。多传感器融合进行状态估计(State Estimation)的流程如下 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
车辆运动模型(Motion Model Input)如下它的信息一般来自于IMU包含x、y、z三个方向上的加速度和角速度是一个6维向量。 车辆运动模型的计算过程如下: Coursera Lecture-State Estimation and Localization for Self-Driving Cars
为了应用EKF我们定义Error State如下其中 是3x1的矩阵。 EKF的Motion Model如下: Coursera Lecture-State Estimation and Localization for Self-Driving Cars
EKF中的GNSS测量模型: Coursera Lecture-State Estimation and Localization for Self-Driving Cars
EKF中的Lidar测量模型: Coursera Lecture-State Estimation and Localization for Self-Driving Cars
这里假设激光雷达(Lidar)的测量结果和GNSS的测量结果都在同一个坐标系下(注意实际情况下需要经过坐标变换才能达到这种效果)
EKF的IMUGNSSLidar多传感器融合流程如下:
1Update State With IMU Inputs 2、Propagate Uncertainty 3、当有GNSS或者LIDAR测量结果到达时进入步骤4否则进入步骤1。
4、计算GNSS/Lidar的卡尔曼增益(Kalman Gain)。 4、计算Error State。 5、Correct Predicted State。 6、Compute Corrected Covariance。 4.状态估计(State Estimation)的精度需求(Accuracy Requirements)
不同的应用场景对State Estimation的精度的要求不同比如高速场景下的Lane Keeping一般要求亚米级级精度。如下图所示的场景车辆宽度为1.8m机动车道宽度为3m所以车辆两侧有约60cm的冗余空间在这种场景下如果要实现Lane Keeping的功能只要状态估计的精度小于60cm就可以满足实际应用的需求。 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
但在拥挤的城市道路交通场景下对State Estimation的精度要求是越高越好状态估计的精度越高自动驾驶就越安全。
5、状态估计(State Estimation)的更新频率要求
以人类驾驶汽车为例一个人开车过程中闭着眼睛但为了保证行车安全她每间隔1s睁开一次眼睛以确定自己所在的位置。在空旷的道路场景下1HZ的位置确认频率就可以保证但是在繁忙的交通的道路上1s确认一次位置的做法就非常不靠谱了。
但是越高的定位频率带来的越高的计算资源消耗而车载计算资源是有限的并且还是感知、控制、决策、路径规划等所有功能共享的所以在更新频率和计算资源之间需要有一个trade-off。
根据经验15HZ-30HZ的状态更新的频率就能够满足自动驾驶的应用需求当然在计算资源允许的情况下状态更新(State Estimation)频率越高越好。
6、Sensor Failures
自动驾驶使用的传感器系统可能由于外部环境因素而失效比如恶劣天气状况、硬件故障、系统连接线松了等等也可能由于传感器自身的短板导致比如GNSS在隧道场景下无法定位、在城市环境下定位的误差达到数十米IMU容易收到温度变换的影响等。
即使在没有传感器异常的情况下我们依然能够从多传感器的使用中收益。如下图所示各个传感器的功能相互补充构建安全的自动驾驶系统。 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
各个传感器各有所长比如短距测量传感器可以在停车场景下检测附近的障碍物避免发生碰撞中距测量传感器在车道保持场景下检测周围的行人、机动/非机动车辆长距测量传感器帮助我们检测和预测远距离障碍物的运动等等。在实际应用要充分考虑到这些传感器的长处和短板并增加一定的冗余系统保证在部分系统无法工作的情况下仍然可以保证车辆的正常运行。 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
7、多传感器融合的代码实战 Coursera Lecture-State Estimation and Localization for Self-Driving Cars
Couresas上的Multi-Sensors Fusion Project效果如下: Coursera Lecture-State Estimation and Localization for Self-Driving Cars Coursera Lecture-State Estimation and Localization for Self-Driving Cars
参考链接:
https://medium.com/wilburdes/sensor-fusion-algorithms-for-autonomous-driving-part-1-the-kalman-filter-and-extended-kalman-a4eab8a833ddmedium.com/wilburdes/sensor-fusion-algorithms-for-autonomous-driving-part-1-the-kalman-filter-and-extended-kalman-a4eab8a833dd
https://www.coursera.org/learn/state-estimation-localization-self-driving-carswww.coursera.org/learn/state-estimation-localization-self-driving-cars
